---
title: "超參數（Hyperparameter）"
slug: hyperparameter
language: zh-TW
source: https://aiterms.tw/terms/hyperparameter
updated_at: 2026-04-29
tags: [模型訓練, 最佳化, 機器學習]
ipas_term: true
---

# 超參數（Hyperparameter）

> **你有沒有調過模型，才發現有些設定不是學出來的，是你自己先決定的？**
>
> 你可以把超參數想成訓練前先定好的規則。
> 像學習率、批次大小、樹深這些值，不是模型自己學，而是人先設定，會直接影響學習結果。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆

> **超參數 vs 模型參數**
> 模型參數是訓練過程中學出來的
> 超參數是人先設定的
> 最關鍵的區別是學出來，還是先選好
>
> **超參數 vs 超參數調校**
> 超參數是那個設定本身
> 超參數調校是找最適合設定的過程
> 最關鍵的區別是值，還是找值的方法
>
### 記住這句就好

> 先設定規則，模型才開始學。

### 實際案例

> **學習率選擇**
> 學習率太大會震盪，太小會很慢，這就是超參數會直接影響訓練品質的典型例子。
>
> **樹模型深度**
> 決策樹或梯度提升法的樹深，會影響模型複雜度和過擬合風險。
>
### 算法與應用

> 超參數決定學習方式，不是直接學到的內容。
> 它們常要靠驗證資料集和搜尋方法來找，而不是憑直覺一次定死。

### 情境判斷

> **Q1：** 學習率、批次大小、樹深，哪一種比較像超參數？
> → 這些都屬於超參數，因為它們是人先設定的訓練條件。
>
> **Q2：** 模型訓練完後自己得到的權重，算不算超參數？
> → 不算，那是模型參數，不是超參數。
>
### iPAS 考題

> 出題方向：常考超參數與模型參數的差異，以及常見超參數的影響。
> **題目：** 下列哪一項最符合「超參數」的概念？
> → **答案：** 學習率。它是在訓練前由人設定，不是模型自己學出來的。

### 常見問題

> **Q：常見超參數有哪些？**
> 學習率、批次大小、層數、樹深、正則化強度都很常見。
>
> **Q：超參數為什麼重要？**
> 因為它會直接影響模型能不能學好、會不會過擬合。
>
> **Q：超參數是固定不變的嗎？**
> 不是，通常要根據資料和任務調整。
>
### 相關術語

> - **超參數調校**：知道超參數是什麼，再看怎麼找最佳值
> - **學習率**：最常被拿來一起討論的超參數
> - **批次大小**：訓練設定裡最常調的一項
> - **正則化**：也是會直接影響泛化的設定
> - **驗證資料集**：用來選超參數的主要依據

---

來源：https://aiterms.tw/terms/hyperparameter
快查頁：https://aiterms.tw/terms/hyperparameter
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-hyperparameter